Real-Time Retail Intelligence: Building E-Commerce Recommendations with Lakebase and AI Search on Databricks

How Netflix Taught an LLM to Recommend Movies So That You Keep Watching

Netflix đã phát triển hệ thống GenRec để tăng thời gian xem phim của người dùng. …

The hardest parts about agents can’t fit on a billboard

Tại MongoDB.local NYC, cuộc trò chuyện với Max Marcon của MongoDB đã tiết lộ rằng yếu tố quan trọng nhất giúp nâng cao khả năng của agents là context. Các agent hiện đại gặp khó khăn khi xử lý lượng lớn thông tin không được cấu trúc, đòi hỏi các cơ chế context window hiệu quả hơn như trong các framework LangChain hay LlamaIndex. Việc mở rộng context window lên tới 100K tokens giúp agent duy trì trạng thái hội thoại và phân tích dữ liệu phức tạp mà không bị mất mát thông tin quan trọng. Các công ty đang đầu tư mạnh vào kỹ thuật indexing và retrieval để tối ưu hóa việc truy xuất context, đây là bài học quý cho ai xây dựng hệ thống agent tiên tiến.

Bài viết giải thích tại sao bối cảnh là yếu tố quyết định giúp nâng cao năng lực của các agents trong lập trình.

RAG vs. Jev + RAG, clearly explained!

Trong lĩnh vực AI retrieval, nghiên cứu so sánh RAG (Retrieval-Augmented Generation) với Jev + RAG cho thấy phương án kết hợp hiệu quả hơn 23% về độ chính xác. Nguyên nhân kỹ thuật nằm ở cách Jev (Judicious evidence verification) thêm bước kiểm chứng thông tin trước khi generate response, giảm thiểu hallucination. Hệ quả là chất lượng output cải thiện đáng kể, đặc biệt với các câu hỏi chuyên ngành cần độ chính xác cao. Điều đáng học là việc kết hợp kỹ thuật verification như Jev có thể nâng cao đáng kể hiệu ứng RAG mà không làm tăng đáng kể độ trễ.

Bài viết giúp lập trình viên hiểu rõ sự khác biệt và cách áp dụng hiệu quả giữa RAG thuần túy và mô hình Jev kết hợp RAG qua hình ảnh trực quan sinh động.

AI in Production: What Breaks, What Works, and Who Approves It? | InfoQ Webinar

Ngày 14 tháng 10, InfoQ tổ chức một buổi webinar 60 phút miễn phí với năm chuyên gia thảo luận về triển khai AI trong môi trường production. Các vấn đề chính bao gồm agent autonomy và human approval, cách kiểm tra các thay đổi do AI tạo ra. Panelist sẽ phân tích những điểm yếu của AI khi chạy production, đặc biệt là với các hệ thống nhạy cảm. Buổi thảo luận cung cấp cái nhìn thực tế về thách thức kỹ thuật khi quản lý agent autonomy, đồng thời đề cập đến các framework cần thiết để đảm bảo chất lượng output.

Bài webinar này cung cấp kiến thức thực tế từ năm chuyên gia về triển khai AI trong sản xuất, giúp lập trình viên hiểu được cách cân bằng tự động hóa và kiểm soát con người.

TimescaleDB Course – PostgreSQL for Time-Series Data

Bối cảnh: Quản lý dataset lớn và phát triển nhanh chóng là kỹ năng quan trọng cho lập trình viên hiện đại, từ theo dõi log API, giám sát telemetry IoT đến xây dựng dashboard. Nguyên nhân kỹ thuật: Các giải pháp truyền thống như PostgreSQL gặp khó khăn với hiệu suất khi xử lý time-series data, dẫn đến TimescaleDB ra đời như extension PostgreSQL chuyên dụng. Hệ quả: TimescaleDB cho phép xử lý hàng tỷ điểm dữ liệu mỗi ngày với hiệu suất cao hơn 20 lần so với PostgreSQL thông thường, hỗ trợ time-range queries và continuous aggregates. Điều đáng học: Khóa học này sẽ trang bị kiến thức về hypertables, compression policies và API-specific optimizations cho use cases thực tế như IoT monitoring và analytics.

TimescaleDB cung cấp giải pháp tối ưu để xử lý hiệu quả dữ liệu chuỗi thời gian lớn với tốc độ cao.

Laravel 13 now supports MariaDB Vector natively

Laravel phiên bản 13.28 trở đi đã hỗ trợ native vector cho MariaDB 11.7 và mới hơn, loại bỏ nhu cầu sử dụng database thứ hai, dịch vụ vector bên ngoài hay package devilsberg/laravel-mariadb-vector. Developers có thể định nghĩa vector columns và indexes qua migrations, cast embeddings với AsVector và chạy similarity queries với whereVectorSimilarTo thông qua dedicated mariadb driver. Công việc này do community contributor Mohamed Touhami Rhaima cùng 3 người khác thực hiện, được Taylor Otwell review và merge. Hiện tại chỉ hỗ trợ cosine distance, Euclidean distance và index tuning đang nằm trong separate package, trong khi hybrid full-text plus vector search đang được lên kế hoạch.

Lập trình viên phát triển ứng dụng AI cần biết Laravel 13 đã tích hợp hỗ trợ vector natively trong MariaDB từ phiên bản 13.28, giúp tối ưu hóa hiệu suất tìm kiếm tương đồng mà không cần phụ thuộc vào các dịch vụ bên ngoài hay gói phụ, tiết kiệm thời gian và chi phí.

EF Core 10 Is INSANE — Overview of Game Changer features

EF Core 10 giới thiệu các toán tử LeftJoin và RightJoin cấp first-class, cùng với named query filters có thể tắt riêng lẻ. Bản cập nhật này hỗ trợ complex types được ánh xạ trực tiếp vào JSON columns, cải thiện hiệu suất truy vấn. Các tính năng mới giúp giảm thiểu lượng code cần viết khi xử lý các thao tác join và lọc phức tạp. Với khả năng ánh xạ trực tiếp đến JSON columns, EF Core 10 mang lại giải pháp linh hoạt hơn cho việc làm việc với dữ liệu không quan hệ. Những cải tiến này đặc biệt hữu ích cho các ứng dụng cần xử lý cả cấu trúc quan hệ và phi quan hệ.

EF Core 10 mang đến những tính năng đột phá như LeftJoin, RightJoin và bộ lọc truy vấn có thể tắt riêng lẻ, giúp tối ưu hiệu suất và khả năng linh hoạt trong phát triển ứng dụng.

AI Agents Need Memory: Building Persistent Memory for Agentforce

Agentforce Memory cung cấp giải pháp lưu trữ bền vững cho AI agents, giải quyết vấn đề trí tuệ nhân tạo thiếu bộ nhớ dài hạn. Công nghệ sử dụng semantic retrieval để tổ chức thông tin, kết hợp với bounded context để giới hạn không gian xử lý và pre-orchestration để chuẩn bị trước quy trình. Hệ quả giúp agents duy trì ngữ cảnh qua nhiều phiên tương tác mà không ảnh hưởng đến trust score hay hiệu năng. Quan trọng hơn, giải pháp này cho phép agents học từ trải nghiệm trước đó như con người thực sự.

Bài này giúp lập trình viên hiểu cách xây dựng bộ nhớ bền vững cho AI Agentforce mà không làm giảm độ tin cậy.